Submitted by Angela Maria de Oliveira (amolivei@uepg.br) on 2018-05-08T17:08:26Z
No. of bitstreams: 2
license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)
Antonio David Viniski.pdf: 3962317 bytes, checksum: f5afcd11e4083b0ae065ae21490ac77f (MD5) / Made available in DSpace on 2018-05-08T17:08:26Z (GMT). No. of bitstreams: 2
license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)
Antonio David Viniski.pdf: 3962317 bytes, checksum: f5afcd11e4083b0ae065ae21490ac77f (MD5)
Previous issue date: 2018-03-16 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / O sensoriamento remoto agrícola tem fornecido um volumoso conjunto de dados espaciais, os
quais podem ser utilizados em diferentes segmentos, como na estimativa de produtividade de
grãos. Dentre as tecnologias empregadas no SR, a utilização de aeronaves remotamente
pilotadas (RPA) na agricultura vêm crescendo, sendo uma alternativa na obtenção de dados
para a estimativa de produtividade. Porém, esses conjuntos de dados gerados demandam
métodos e técnicas capazes de extrair informações úteis e relevantes dos mesmos. Algumas
técnicas de geoestatística, como a krigagem, têm sido empregadas, mas a utilização da
mineração de dados (MD), assim como da mineração de dados espaciais (MDE), podem ser
alternativas viáveis para suprir essa demanda. Este trabalho teve como objetivo avaliar o uso
de técnicas de MD e MDE na estimativa da produtividade de grãos de soja e trigo, utilizando
dados de imagens obtidas por meio de RPA. A área de estudo localiza-se no município de Piraí
do Sul, Paraná. Foi utilizada uma RPA de asa fixa para o acompanhamento das culturas de soja
e trigo. No imageamento do trigo foram utilizadas duas câmeras, uma com a captura de imagens
no espectro visível (RGB), e outra no infravermelho próximo (NIR), tendo sendo analisadas
também as resoluções espaciais de 10 e 20 cm/pixel para cada câmera. Para a soja apenas a
câmera RGB foi utilizada e as resoluções espaciais sobrevoadas foram 10, 20 e 26 cm/pixel. Os
dados do atributo meta, a produtividade das culturas, foram obtidos por meio de colhedoras de
precisão. Os atributos de predição, correspondendo aos valores das bandas espectrais e altitude
do terreno, foram submetidos aos algoritmos de MD empregando as técnicas de regressão linear
múltipla (RLM), redes neurais artificiais (RNA) e máquina de vetores de suporte para regressão
(SVR). Para a MDE, foi utilizado o modelo aditivo generalizado (GAM). Para fins de
comparação, os dados foram também analisados pelo método tradicional de krigagem. As
técnicas foram testadas considerando duas abordagens principais: (i) utilizando apenas as
bandas espectrais para estimativa e, (ii) utilizando as bandas espectrais e os valores de altitude
do terreno. Para a MD clássica, os melhores resultados foram obtidos com a técnica SVR,
utilizando o kernel Laplacian. Na MDE, o método GAM com a função de ajuste gaussiana
apresentou os melhores resultados. Tanto para as técnicas clássicas de MD como para a MDE,
a incorporação da altitude nos modelos de regressão possibilitou aumento considerável nos
coeficientes de correlação e determinação, com consequente diminuição no erro (RMSE). Os
valores de correlação obtidos com a MDE foram semelhantes aos obtidos com o método de
krigagem, porém a MDE foi mais eficiente em avaliar o impacto dos atributos de predição
(valores das bandas espectrais e altitude) na estimativa do atributo meta. Com isso, conclui-se
que a MDE mostra-se viável de ser utilizada como ferramenta na geração de modelos para
estimativa de produtividade de grãos com base em dados de imagens de RPA. / Agricultural remote sensing (RS) has provided a massive set of spatial data which can be used
in different segments, such as in grain yield estimation. Among the technologies applied in RS,
the use of remotely piloted aircraft (RPA) in agriculture is growing as an alternative to obtain
data for estimating productivity. However, these generated data sets require methods and
techniques capable of extracting useful and relevant information from them. Some geostatistics
techniques have been applied, such as kriging, but the use of data mining (DM) as well as spatial
data mining (SDM) can be viable alternatives to meet that demand. The goal of this work was
to evaluate the use of DM and SDM techniques for estimating soybean and wheat grain yield
using image data obtained by RPA. The study area is located in Piraí do Sul, Paraná State. A
fixed wing RPA was used to monitor soybean and wheat crops. In wheat crop imaging two
cameras were used, one to capture images in the visible spectrum (RGB), and the other one
using the near infrared (NIR) spectrum. Also, it was analyzed the spatial resolutions of 10 and
20 cm / pixel for each camera. For soybean only the RGB camera was used and the overhead
spatial resolutions were 10, 20 and 26 cm / pixel. The goal attribute data (crop yield), was
obtained by precision harvester. The prediction attributes, corresponding to the values of
spectral bands and terrain altitude, were submitted to DM algorithms using the multiple linear
regression (MLR), artificial neural networks (ANN) and support vector regression (SVR)
techniques. For SDM, the generalized additive model (GAM) was used. For comparison
purposes, data were also analyzed by the traditional kriging method. The techniques were tested
using two main approaches: (i) using only spectral bands for estimation and, (ii) using spectral
bands and terrain altitude values. For classical DM, the best results were obtained with SVR
technique, using the Laplacian kernel. The GAM method with the Gaussian fit function
presented the best results for SDM. For both classical DM and SDM techniques, adding altitude
in the regression models allowed a considerable increase in correlation and determination
coefficients, with consequent decrease in error (RMSE). The correlation values obtained with
SDM were similar to those obtained with kriging method, but SDM was more efficient in
evaluating the impact of the prediction attributes (spectral bands and altitude) in the estimation
of the goal attribute. Thus, it is concluded that SDM can be useful as a tool for estimating grain
yield based on RPA image data.
| Identifer | oai:union.ndltd.org:IBICT/oai:tede2.uepg.br:prefix/2490 |
| Date | 16 March 2018 |
| Creators | Viniski, Antônio David |
| Contributors | Guimarães, Alaine Margarete, Caires, Eduardo Fávero, Rocha, Josè Carlos Ferreira da, Joris, Helio Antonio |
| Publisher | Universidade Estadual de Ponta Grossa, Programa de Pós Graduação Computação Aplicada, UEPG, Brasil, Departamento de Informática |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UEPG, instname:Universidade Estadual de Ponta Grossa, instacron:UEPG |
| Rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess |
Page generated in 0.0037 seconds